Co můžeme v nejbližší očekávat v oblasti umělé inteligence a strojového učení a nasazení těchto technologií v podnicích? Na InformationWeek se k této otázce nedávno objevily dva komentáře.
James Kobielus (odborník na data science, dříve mj. „evangelista“ pro vědu o datech v IBM) uvádí, že v oboru probíhá standardizace systémů pro vývoj a správu a dalších prostředků. Vzniká otevřený ekosystém, kde na každé úrovni lze používat různé nástroje a přenášet výsledky mezi vrstvami. Existují tedy společně podporovaná a téměř univerzálně použitelná rozhraní API, reprezentace modelů AI, kompilátory těchto modelů atd. Vývoj i nasazování umělé inteligence by díky tomu mělo být mnohem efektivnější. Google bude dále pokračovat ve vývoji a prosazování své platformy TensorFlow.

Dalším trendem v podnicích bude rozšiřování AI do prakticky všech znalostních domén, zrychlený vývoj i nasazování příslušných aplikací. Specialisté budou mít umělou inteligenci jako pomocníka, navíc v prostředí, které půjde víceméně ovládat klikáním myši. Vyžívání AI se demokratizuje, respektive plošně rozšíří. Mnohem snáze použitelná budou díky AI řešení business intelligence, prediktivní analytika již prakticky nebude vyžadovat odborné znalosti ve smyslu informatického vzdělání, statistiky apod. Otázkou zůstává, jaký typ činnosti v v různých oborech zůstane na lidských odbornících – to se teprve zjistí.

Jedním z výrazných trendů podnikových aplikací jsou dnes kontejnery (viz také: IT v roce 2019: Kontejnery, umělá inteligence). Rovněž aplikace AI budou nasazovány v tomto prostředí, obě technologie budou kombinovány různými způsoby. Podobně se začnou potkávat světy AI a blockchainu. Dodavatelé nástrojů AI se více soustředí na celkový výkon těchto řešení, ať už půjde o hardwarovou akceleraci (GPU a další) nebo snahu identifikovat úzká místa v architektuře jako celku. Objeví se další hardwarové akcelerátory speciálně navržené pro umělou inteligenci, které budou integrovány do embedded systémů (robotika, mobilní aplikace…). AI bude v infrastruktuře přítomna všude, jak na úrovni cloudových služeb, tak i v koncových embedded systémech (cloud-to-edge).
J. Kobielus dále zmiňuje např. následující:

Přes cloud budou nabízeny služby, které podnikům umožní proces nasazení AI dále automatizovat (např. různé označování dat náročné na ruční práci si půjde koupit právě jako službu).
Umělá inteligence bude integrována do systému řízení rizik (v tom smyslu, že chyby v příslušných nástrojích mohou vést k porušení předpisů i ke špatným obchodním rozhodnutím).
Začnou se vytvářet benchmarky, respektive různé metody, jak srovnávat jednotlivá řešení AI, ať už jde o specializovaný hardware, software nebo cloudové služby. V tuto chvíli je provádět podobná srovnání prakticky nemožné. Jako možný standard se zde jeví např. MLPerf.
K hojně nasazovaným, ale stejně tak zřejmě brzy regulovaným technologiím bude patřit rozpoznávání lidí podle obličeje.

Lisa Morgan taktéž na Information Week přidává na základě rozhovorů s analytiky a konzultanty několik tIpů, jak by podniky měly s umělou inteligence/strojovým učením začít. Především stojí za to se do technologie pustit ve vhodném měřítku, nemyslet si, že je všemocná. Organizace se domnívají, že když mají hodně dat a nevědí, co s nimi, strojové učení (hluboké učení…) jim z nich samo dokáže získat obchodní hodnotu. Mnoho organizací nasadí strojové učení na data k tomu nevhodná, eventuálně na příliš mnoho dat.
Řada organizací navíc k takovým projektům nemá potřebnou infrastrukturu (souvisí s problémem výše; pro fázi učení systémů AI může být nutný obrovský výpočetní výkon). Důležité má být i to, že umělá inteligence je sice „pouze technologie“, ale při jejím zavádění hraje roli i konkrétní firemní kultura. Umělá inteligence vyžaduje lidské zdroje, a to nejen pro samotný vývoj algoritmů, ale i pro vývoj rozhraní, které s aplikacemi AI a daty umožní pracovat dalším uživatelům.

Studie Boston Consulting Group např. uvádí, že úspěšné nasazení AI v podnicích je pouze z 10 % záležitostí samotné technologie; za 20 % úspěchu odpovídají data a za zbytek změny řízení (respektive další změny organizace, workflow, přizpůsobování firemní kultury…). Spolu s nasazením strojového učení by se měla učit i samotná organizace. Především při pilotních projektech s AI by nemělo jít jen o realizaci něčeho daného předem, firmy by měly být schopné co nejrychleji využít výsledků a zkušeností, které získají, aniž to původně zamýšlely.